Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: plastyczność synaptyczna

Sortuj według:

Ogranicz wyniki do:

Information processing and learning in spiking neural networks

Ponulak F., Kasiński A.

Prace Naukowe Politechniki Warszawskiej. Elektronika

2010

z. 175, t. 1

23-40

The concept that neural information is encoded in the firing rate of neurons has been the dominant paradigm in neurobiology for many years. This paradigm has also heen adopted by the theory of artificial neural networks. Recent physiological experiments demonstrate, however, that in many systems, neural code is founded on the timing of individual action potentials. The finding has given rise to the emergence of a new class of neural models, called spiking neural networks. In this paper we summarize basic properties of spiking neurons. We focus, in particular, on various models for information coding, synaptic plasticity and learning in spiking networks. Finally, we discuss some real-life applications of spiking models.

Jednym z podstawowych paradygmatów obowiązująych przez wiele lat w neurobiologii była koncepcja kodowania informacji za pomocą średniej częstotliwości impulsów nerwowych. Koncepcja ta została zaadoptowana także w teorii sztucznych sieci neuronowych. Aktualne badania w zakresie neurofizjologii wskazują jednak na istotną rolę indywidualnych impulsów nerwowych w kodowaniu informacji. Odkrycie to dało początek nowej klasie sztucznych sieci neuronowych - tak zwanym sieciom impulsowym. W artykule przedstawione są podstawowe właściwości neuronów impulsowych. Szczególna uwaga poświęcona jest mechanizmom przetwarzania informacji oraz modelom plastyczności synaptycznej i uczenia w sieciach impulsowych. Artykuł zakończony jest dyskusją na temat wybranych zastosowań sieci impulsowych w zadaniach inżynierskich oraz w neuromodelowaniu.

Modeling learning on dynamic behaviour of synapses

Fernando S., Cho Y. I., Nakamura Y., Matsuzaki S., Marasinghe A.

Journal of Medical Informatics & Technologies

2009

Vol. 13

175--180

Learning is a process involved in multiple timescales. As per biology, changes which last from milliseconds to seconds and hours to days are the main mediators for the formation of short-term and long-term memory. It is obvious that, memory formation is neither static nor it is restricted into a one phase of life. Every step we keep in our life, even it succeed or fail or no matter what happen, we learn from them and acquire invaluable knowledge on that, which makes us easy manipulation on similar events in future. Thus continuous learning in a dynamic environment is a necessary qualification for the researches which are interested in studying phenomena, such as addiction, stress, noise, etc on such a dynamic learning environments. This research proposes a new approach of modelling our nervous system with the intention of implementing learning on dynamic environment.